Estudio de caso
Nos auditamos nosotros primero.
El primer caso de CiteGap es nuestro propio sitio, demandfieldnotes.com, pasado por las mismas 30 preguntas de comprador en ChatGPT, Perplexity y Gemini, medido dos veces en dos días. Ningún cliente firmó nada. No hay autodenuncia de proveedor en juego. El día 1 está medido y publicado abajo; la repetición del día 2 y los dos motores bloqueados llegarán cuando estén medidos.
Qué midió de verdad el día 1.
La ronda empezó el 12 de noviembre de 2026. De las 90 celdas previstas (30 preguntas de comprador × 3 motores), 15 produjeron respuestas medibles, todas en Perplexity. ChatGPT estaba bloqueado en la entrada: nuestra IP de salida del proxy es rechazada en el borde de OpenAI, con los rechazos archivados en el registro de la ronda. Gemini no aceptaba envíos anónimos, y su vía de repetición necesita una cuenta de Google limpia que no teníamos. Ambas remediaciones constan en el registro en lugar de quedar maquilladas.
Nombrados en 2 de las 15 respuestas medidas: una solo de nombre, otra con sustancia. 4 de las 15 respondían sobre otro producto que comparte nuestro nombre, un SaaS de seguimiento semanal llamado CiteGaps.
Estante de descubribilidad: ausente. En las 9 preguntas medibles de descubribilidad y casos de uso, los competidores nombrados incluían Profound, Semrush AI Visibility, Peec AI, Otterly, AthenaHQ, Scrunch y Ahrefs Brand Radar. Los competidores nos superaban aproximadamente 3 a 1 en las respuestas medidas.
Donde hay contenido, la citabilidad funciona. La única pregunta de pros y contras produjo una respuesta exacta y bien documentada que citó nuestras propias páginas, junto con un adjunto de dominio equivocado y el rastreador homónimo. Nuestra brecha es la desambiguación de entidad, no la calidad del contenido.
Señales de confianza: casi cero. La única prueba de terceros que que el motor nos devolvió fue una presentación en Product Hunt sin reseñas sustanciales. Sin página de uptime, sin citas de clientes, sin cobertura independiente. Registrado, y ahora en nuestra propia lista de correcciones.
Base de medición: 30 preguntas de comprador por motor, una sola pasada el día 1, 15 de 90 celdas medidas. Cada cifra anterior es trazable a los registros pregunta por pregunta. La repetición del día 2 y los dos motores bloqueados llegan a esta página cuando estén medidos, no antes.
Los mecanismos que esperamos que la autoauditoría exponga.
Las páginas que los motores no pueden analizar no se citan
Datos estructurados y una apertura que responde sin rodeos hacen una página extraíble. Las páginas que entierran la respuesta bajo texto de marketing se hojean o se saltan. Nuestras propias páginas no están exentas, y la auditoría las comprueba igual que comprueba el sitio de un cliente.Qué encontró un experimento de 1.885 páginas sobre JSON-LD.
La ausencia en el momento de la comparación entrega el trato a quien apareció
Cuando un comprador pide a un motor comparar opciones, el motor nombra a los proveedores a los que puede respaldar con fuentes. Si no estás en esa respuesta, la venta empezó sin ti. Nuestra propia categoría no es más amable: los compradores que comparan auditorías de visibilidad en IA le hacen a los motores exactamente esa pregunta.Por qué que te nombren vence al ranking.
Los motores repiten lo que pueden citar, y se andan con rodeos sobre lo demás
Si el único material sobre ti es tu propio texto de marketing, la respuesta queda vaga, y el elogio vago no sobrevive a una decisión de compra. Las preguntas de fase de decisión sobre confianza, resultados y riesgos solo reciben respuestas seguras cuando existen pruebas citables.Qué pasa cuando la IA recomienda a un proveedor desconocido.
Los hechos caducados hacen que los motores se den rodeos, y los rodeos pierden tratos
Los motores conservan capturas de semanas distintas. Si el precio, la categoría o los datos de la empresa discrepan entre capturas, la salida segura es una respuesta con reservas. La auditoría contrasta lo que afirman los motores con lo que el sitio afirma hoy, y cada desajuste se convierte en un ticket de corrección. El método completo está documentado en la página de metodología.
Qué hay detrás de las cifras publicadas.
Cada cifra publicada de la autoauditoría se remite al paquete de pruebas que la pipeline produce en cada ronda:
Registros de respuestas por pregunta. Cada respuesta de cada motor, para ambos días: la pregunta formulada, el texto íntegro de la respuesta, quién fue nombrado y en qué orden.
Captura de citas. Qué fuentes citó cada respuesta, grabado por ronda, no reconstruido después.
Instantáneas de respuestas. Cuando un motor no ofrece ningún enlace público estable, el texto de la respuesta se captura tal cual y se archiva.
Tickets de corrección. El ticket que la auditoría emitió por cada brecha, para que cada afirmación publicada se corresponda con un cambio que alguien hizo de verdad.
El paquete está archivado y es verificable. Las rutas internas de archivos siguen internas; lo que se publica son las cifras y la base de medición, no la disposición del almacenamiento. En las rondas de pago, las respuestas en bruto forman parte del entregable, para que un cliente pueda recalcular cada cifra del informe.
Trabajarías con la persona que ejecutó esta auditoría.
Demand Field Notes es un laboratorio de una persona. Las preguntas, las rondas, el informe y la respuesta a tu correo vienen de la misma persona. Pregúntanos lo que quieras sobre el método, o empieza con la comprobación gratuita en tu propia portada.
¿Los detalles del método primero? Leer la metodología. Full pricing lives on the página de precios.